[論文レビュー] Inverse-Consistent Deep Networks for Unsupervised Deformable Image Registration

Jun Zhang|arXiv (Cornell University)|Sep 10, 2018

Medical Image Segmentation Techniques参考文献 58被引用数 108

ひとこと要約

ICNetは未監督の変形登録フレームワークに逆一貫性と反折り畳み制約を導入し、グラウンドトゥルース registrationsなしで脳MRIの最先端性能を達成します。

ABSTRACT

Deformable image registration is a fundamental task in medical image analysis, aiming to establish a dense and non-linear correspondence between a pair of images. Previous deep-learning studies usually employ supervised neural networks to directly learn the spatial transformation from one image to another, requiring task-specific ground-truth registration for model training. Due to the difficulty in collecting precise ground-truth registration, implementation of these supervised methods is practically challenging. Although several unsupervised networks have been recently developed, these methods usually ignore the inherent inverse-consistent property (essential for diffeomorphic mapping) of transformations between a pair of images. Also, existing approaches usually encourage the to-be-estimated transformation to be locally smooth via a smoothness constraint only, which could not completely avoid folding in the resulting transformation. To this end, we propose an Inverse-Consistent deep Network (ICNet) for unsupervised deformable image registration. Specifically, we develop an inverse-consistent constraint to encourage that a pair of images are symmetrically deformed toward one another, until both warped images are matched. Besides using the conventional smoothness constraint, we also propose an anti-folding constraint to further avoid folding in the transformation. The proposed method does not require any supervision information, while encouraging the diffeomoprhic property of the transformation via the proposed inverse-consistent and anti-folding constraints. We evaluate our method on T1-weighted brain magnetic resonance imaging (MRI) scans for tissue segmentation and anatomical landmark detection, with results demonstrating the superior performance of our ICNet over several state-of-the-art approaches for deformable image registration. Our code will be made publicly available.

研究の動機と目的

• グラウンドトゥルース登録の不足のため、監督なしの変形登録を動機づける。
• 逆写像になるように双方向変換を逆一貫性として強制する。
• 学習された変換における折り畳みを防ぐ反折り畳み制約を導入する。
• ICNetを用いて脳MRIで組織セグメンテーションと解剖学的ランドマーク検出の改善を実証する。

提案手法

• 共有重みを持つデュアルブランチFCN（U-Net）を使用して、画像対間の流れF_ABとF_BAを学習する。
• F_ABが推定される逆写像に近づくこととF_BAの逆像（L_inv）に近づくことを課す逆一貫性損失を組み込む。
• 折り畳みを条件づける勾配符号を用いて折り畳みを抑制する反折り畳み損失を導入する（L_ant）。
• 局所的な規則性を促す標準的な滑らかさ損失を適用する（L_smo）。
• 整列ペア間の MSD に基づく対称的な類似性損失を最適化し、正則化項（α,L_smo; β,L_inv; γ,L_ant）と組み合わせる。
• 畳み込み的なSTNによるワープとグリッドベースの逆フロー推定（G）を用いて実装する。
• Adam（lr = 5e-4）を用いたPyTorchでエンドツーエンド訓練を行い、ADNI脳MRIデータで検証する。

実験結果

リサーチクエスチョン

• RQ1 双方向の変形場間で真の逆一貫性を未監視Deep Networkが強制できるか？
• RQ2 反折り畳み制約を追加することで折り畳みを減らし、滑らかさのみより登録忠実度を改善できるか？
• RQ3 非学習法および他の未監督手法と比較してICNetは組織セグメンテーションおよび解剖学的ランドマーク検出の下流タスクでどのように性能を示すか？

主な発見

Tissue	Metric	Demons	SyN	DL	ICNet-1	ICNet-2	ICNet
CSF	DSC (%)	77.16±1.82	78.43±1.38	79.76±1.22	80.75±1.31	82.08±1.14	83.58±1.17
CSF	SEN (%)	71.99±2.15	76.57±1.96	77.38±1.94	79.00±1.84	80.16±1.75	82.55±1.80
CSF	PPV (%)	83.16±2.07	80.41±1.47	82.34±1.38	82.61±1.44	84.13±1.36	84.66±1.31
CSF	ASD	0.69±0.05	0.73±0.03	0.68±0.03	0.65±0.03	0.60±0.03	0.56±0.03
CSF	HD	11.63±0.84	11.74±0.78	11.60±0.80	11.41±0.74	11.29±0.71	11.10±0.78
GM	DSC (%)	76.15±1.33	74.16±1.10	75.04±1.06	77.93±1.05	78.30±1.04	80.59±0.98
GM	SEN (%)	74.71±1.63	74.23±1.20	74.41±1.22	77.96±1.24	77.92±1.25	82.28±1.15
GM	PPV (%)	77.65±1.38	74.11±1.44	75.70±1.41	77.92±1.38	78.70±1.37	78.99±1.38
GM	ASD	0.58±0.03	0.65±0.02	0.63±0.02	0.58±0.02	0.56±0.02	0.54±0.02
GM	HD	9.85±1.25	9.13±0.92	9.13±1.01	9.20±1.04	9.16±1.04	9.07±1.05
WM	DSC (%)	84.02±1.75	84.67±1.10	86.03±1.01	86.92±1.11	87.82±1.00	88.13±0.94
WM	SEN (%)	80.99±2.04	82.79±1.75	85.35±1.63	85.03±1.73	86.17±1.71	86.56±1.61
WM	PPV (%)	87.31±2.05	86.66±1.25	86.74±1.24	88.92±1.32	89.13±1.24	90.22±1.19
WM	ASD	0.80±0.06	0.88±0.04	0.81±0.04	0.76±0.04	0.71±0.04	0.71±0.04
WM	HD	13.73±1.38	13.40±1.13	12.77±1.22	13.18±1.28	13.16±1.24	12.71±1.11

• ICNetはDemons、SyN、およびベースラインDL法に比べて脳組織（CSF, GM, WM）全体で優れた登録性能を示す。
• CSFではICNetがDSC 83.58、SEN 82.55を達成し、DemonsのDSC 77.16; SEN 71.99およびSyNのDSC 78.43; SEN 76.57を上回る。
• CSF PPVではICNetが84.66を達成し、Demons 83.16、SyN 80.41、DL 82.34を上回る。
• CSF ASDとHDではICNetはASD 0.56とHD 11.10で競合他手法と比べて一般的に低い誤差を示す。
• GMとWMではICNetが最良のDSC、SEN、PPVを示し（例: WM DSC 88.13, WM PPV 90.22）、テスト済み手法の中で最も低いHD（WM HD 12.71）を示す。
• 逆一貫性または反折り畳み制約のないICNet変種は性能が劣ることが確認され、提案制約の有効性が裏付けられる。